बड़े भाषा मॉडलों के स्व-इवोल्यूशन पर एक सर्वेक्षण

बड़े भाषा मॉडल (LLMs) ने विभिन्न क्षेत्रों और बुद्धिमान एजेंट अनुप्रयोगों में महत्वपूर्ण प्रगति की है। हालांकि, वर्तमान LLMs जो मानव या बाहरी मॉडल पर्यवेक्षण से सीखते हैं, महंगे हैं और कार्य जटिलता और विविधता बढ़ने पर प्रदर्शन की सीमाओं का सामना कर सकते हैं। इस समस्या को हल करने के लिए, स्व-इवोल्यूशन दृष्टिकोण तेजी से विकसित हो रहे हैं जो LLM को स्वतः ही मॉडेल द्वारा उत्पन्न अनुभवों को प्राप्त करने, परिष्कृत करने और उनसे सीखने में सक्षम बनाते हैं। मानव अनुभवात्मक सीखने की प्रक्रिया से प्रेरित यह नई प्रशिक्षण पद्धति LLMs को सुपरइंटेलीजेंस की ओर बढ़ाने की क्षमता प्रदान करती है। इस कार्य में, हम LLMs में स्व-इवोल्यूशन दृष्टिकोणों का एक व्यापक सर्वेक्षण प्रस्तुत करते हैं। हम पहले स्व-इवोल्यूशन के लिए एक वैचारिक फ्रेमवर्क प्रस्तावित करते हैं और चार चरणों से बने पुनरावर्ती चक्रों के रूप में विकास प्रक्रिया को रेखांकित करते हैं: अनुभव अधिग्रहण, अनुभव परिष्करण, अपडेटिंग, और मूल्यांकन। दूसरी बात, हम LLMs और LLM-आधारित एजेंटों के विकास के उद्देश्य वर्गीकृत करते हैं; फिर, हम साहित्य का सारांश प्रस्तुत करते हैं और प्रत्येक मॉड्यूल के लिए वर्गीकरण और अंतर्दृष्टि प्रदान करते हैं। अंत में, हम मौजूद चुनौतियों की पहचान करते हैं और स्व-इवोल्यूशन फ्रेमवर्क्स को बेहतर बनाने के लिए भविष्य के दिशा-निर्देश प्रस्तावित करते हैं, ताकि शोधकर्ताओं को स्व-इवोल्विंग LLMs के विकास को तेजी से आगे बढ़ाने के लिए महत्वपूर्ण जानकारियां मिल सकें।